防止恶意注册和点击是互联网上使用的最广泛的安全系统之一，但如今它已被一种强大的新型人工智能所击败。
相信大家都有这样的经验，要想进入系统，必须通过 CAPTCHAs 测试，这种测试在 20 世纪 90 年代被首次引入，目的是防止自动化软件机器人做出诸如创建假的用户帐户和刮擦个人信息的行为。
传统 CAPTCHAs 测试原理很简单，即通过彩色或黑白的模糊混淆的字母和数字构成密码，自动化系统很难识别这些字符，所以它们无法输入正确的密码，因此无法进入系统，而通常情况下人眼却可以很容易地识别所显示的图像。
令人震惊和遗憾的是，现在自动化软件机器人居然也可以识别这些模糊的字符了。
美国加州的人工智能公司 Vicarious 的联合创始人迪利普·乔治和他的团队开发了一种称之为递归皮质网络（RCN）的计算机模型，它能够有效地推断出 CAPTCHAs 测试中的模糊图像。
乔治认为人工智能系统难以克服 CAPTCHAs 障碍的原因之一是人工智能没有像人类一样能感知的神经网络。
为了提高它们的识别能力，研究员用传统方式是让这些系统进行示例学习，即让它们每天处理数千张图片来开发其识别字母和数字的能力，就是机器学习模型。
不同于传统深度学习模型，RCN 计算机模型使用的算法，是通过检测图像轮廓来识别那些模糊符号，或者把符号预先标记为 As, Bs, Cs 等以区分图像中的字母，即便有些图像是重叠的，它也能将其分离。
对 RCN 的工作原理，乔治给出了解释：“它可以建立图像模型，比如你给它看 As, Bs 等这些字母，它就会根据其轮廓自动建立起这些字母模型”。
在测试中，研究员发现 RCN 破解 CAPTCHAs 图像的效率的比深度学习模型培训出的人工智能系统高出 300 倍，并且字符识别准确度高达 90％。
RNC 首次攻破 CAPTCHAs 测试是在 2013 年，但当时技术并不成熟。此后，研究人员一直在对这项技术进行改进，并不断升级系统的运行方式。
RCN 的最终目的是开发拥有更接近于人类的感知神经网络的人工智能系统，希望可以让机器具备想像功能，并具有人类所谓的“常识”。
乔治表示：“我们所要研发的人工智能，要能以非常灵活的方式处理问题，能够快速推理并出色完成任务，并能在很多领域协助人类，这就是我们的研发初衷”。
